Akopọ
Ifọwọsi-agbelebu jẹ ilana iṣatunṣe fun ṣiṣeroro bawo ni awoṣe yoo ṣe gbogbogbo si data ti a ko rii. O ṣe lilo ti o dara julọ ti data to lopin ati funni ni iṣiro iṣẹ ṣiṣe ti o ni igbẹkẹle diẹ sii ju ọkọ oju-irin kan / pipin idanwo kan.
Cross-Validation joko ni mojuto AI irinṣẹ. Nigbati o ba loye rẹ, awọn akọle AI miiran di rọrun lati ṣe iṣiro ati afiwe.
Jin Dive
Pipin ọkọ oju-irin kan / pipin idanwo jẹ ẹlẹgẹ: Dimegilio ti o gba da lori pupọ lori iru awọn ori ila ti o ṣẹlẹ si ilẹ ni eto idanwo naa. Ifọwọsi-agbelebu ṣe atunṣe eyi nipa yiyi ipa ti ṣeto idanwo naa. Ni k-agbo agbelebu-afọwọsi, o pin awọn data sinu k dogba folds, reluwe lori k-1 ninu wọn, se ayẹwo lori awọn ti o waye-agbo, ki o si tun k igba ki gbogbo kana ni idanwo pato ẹẹkan. Apapọ awọn ikun k n mu iṣiro iduroṣinṣin diẹ sii pẹlu iwọn iyipada kan. Awọn aṣayan ti o wọpọ jẹ awọn ipada 5 tabi 10. Awọn iyatọ pẹlu stratified k-fold (titọju awọn iwọn kilasi fun data aiṣedeede), fi silẹ-ọkan-jade (k dọgba nọmba awọn ayẹwo), ati awọn ipin akoko-ila ti kii ṣe ikẹkọ ni ọjọ iwaju lati ṣe asọtẹlẹ ohun ti o ti kọja.
Imọ-imọ-ẹrọ
Ifọwọsi-agbelebu jẹ alagbara julọ fun yiyan awoṣe ati yiyi hyperparameter: o ṣe afiwe awọn atunto nipasẹ Dimegilio afọwọsi apapọ wọn ju ki o kọja si pipin kan. Ipalara to ṣe pataki ni jijo data - eyikeyi iṣaju ti o 'ri' gbogbo dataset (iwọn, yiyan ẹya, iṣiro) gbọdọ wa ni ibamu ninu agbo kọọkan, kii ṣe ṣaaju pipin, tabi iṣiro rẹ yoo jẹ abosi ireti. Ifọwọsi agbelebu ti itẹ-ẹiyẹ yapa iṣatunṣe lati igbelewọn ikẹhin lati yago fun jijo yii.
Mastering Cross-Afọwọsi
Ifọwọsi-agbelebu jẹ ilana iṣatunṣe fun ṣiṣeroro bawo ni awoṣe yoo ṣe gbogbogbo si data ti a ko rii. O ṣe lilo ti o dara julọ ti data to lopin ati funni ni iṣiro iṣẹ ṣiṣe ti o ni igbẹkẹle diẹ sii ju ọkọ oju-irin kan / pipin idanwo kan. Cross-Validation joko ni mojuto AI irinṣẹ. Nigbati o ba loye rẹ, awọn akọle AI miiran di rọrun lati ṣe iṣiro ati afiwe. Lati kọ oye ti o jinlẹ, ṣe itọju Cross-Validation bi awoṣe iṣẹ, kii ṣe ẹya ẹyọkan: ṣalaye awọn abajade ti o fẹ, ṣe alaye awọn arosọ, ati yapa ohun ti eto le ṣe ni igbẹkẹle lati ohun ti o tun nilo idajọ amoye.
Ni iṣe, awọn ẹgbẹ ti o lagbara ni lilo Cross-Validation kọ awọn awoṣe imọran ti o lagbara ni akọkọ, lẹhinna ya awọn awoṣe wọnyẹn si awọn ihamọ iṣelọpọ gidi. Wọn ṣe akọsilẹ awọn ibeere aṣeyọri ti o fojuhan, idanwo lodi si data ojulowo ati ṣiṣan iṣẹ, ati atunbere ti o da lori awọn ilana ikuna ti a ṣakiyesi dipo awọn bori ala-akoko kan. Eyi ni ibiti oye imọ-jinlẹ yipada si agbara ti o tọ kọja ọja, eto imulo, ati awọn iṣẹ ṣiṣe.
O ṣe iranlọwọ fun ọ lati ya sọtọ awọn iṣeduro imọ-ẹrọ lati ede tita. Ni akoko kanna, Awọn ẹgbẹ oriṣiriṣi le lo ọrọ kanna ni oriṣiriṣi, nitorinaa ṣalaye iwọn ni kutukutu. Ọna resilient julọ julọ ni lati darapọ iyara idanwo pẹlu ibawi ijọba: ṣiṣe awọn awakọ awakọ, mu ẹri mu, ṣe atẹjade awọn iwe ipinnu, ati imudojuiwọn awọn aabo nigbagbogbo bi ihuwasi awoṣe, awọn ireti olumulo, ati awọn ibeere ilana ti dagbasoke.
Ipa Ilana
O ṣe iranlọwọ fun ọ lati ya sọtọ awọn iṣeduro imọ-ẹrọ lati ede tita.
O ṣe iranlọwọ fun ọ lati ya sọtọ awọn iṣeduro imọ-ẹrọ lati ede tita. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
O le beere awọn ibeere imuse to dara julọ ṣaaju lilo owo tabi akoko.
O le beere awọn ibeere imuse to dara julọ ṣaaju lilo owo tabi akoko. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Awọn ẹgbẹ pẹlu oye pinpin ṣe ọja to dara julọ, eto imulo, ati awọn ipinnu ikẹkọ.
Awọn ẹgbẹ pẹlu oye pinpin ṣe ọja to dara julọ, eto imulo, ati awọn ipinnu ikẹkọ. Ni awọn imuṣiṣẹ ti o ni agbara giga, eyi ni a tumọ si awọn ofin iṣiṣẹ wiwọn, awọn aala nini, ati awọn ilana atunyẹwo loorekoore ki awọn ẹgbẹ le ṣe iwọn igbẹkẹle dipo iwọn aibikita.
Real-World imuse
Lilo 5-afọwọsi-agbelebu-afọwọsi lati ṣe afiwe ipadasẹhin logistic, igbo laileto, ati igbega gradient ṣaaju ṣiṣe si awoṣe kan.
Nbere k-agbo stratified lori dataset wiwa-jegudujera ti ko ni iwọntunwọnsi nitorina agbo kọọkan tọju aijọju iwọn-kilaasi toje kanna.
Nṣiṣẹ GridSearchCV tabi RandomizedSearchCV, eyiti o ṣeduro gbogbo apapọ hyperparameter lati mu awọn eto to dara julọ.
Lilo awọn ọna-akoko (yiyi / jijọ-siwaju) ijẹrisi-agbelebu lati ṣe iṣiro ọja iṣura tabi asọtẹlẹ eletan laisi ikẹkọ lori data iwaju.
Awọn Ilana imuse
Cross-Afọwọsi ni iwa
Lilo 5-afọwọsi-agbelebu-afọwọsi lati ṣe afiwe ipadasẹhin logistic, igbo laileto, ati igbega gradient ṣaaju ṣiṣe si awoṣe kan.
Lilo 5-afọwọsi-agbelebu-afọwọsi lati ṣe afiwe isọdọtun logistic, igbo laileto, ati igbega gradient ṣaaju ṣiṣe si awoṣe kan Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe ni akoko pupọ.
Cross-Afọwọsi ni iwa
Nbere k-agbo stratified lori dataset wiwa-jegudujera ti ko ni iwọntunwọnsi nitorina agbo kọọkan tọju aijọju iwọn-kilaasi toje kanna.
Nbere k-agbo stratified lori data wiwa-jibiti ko ni iwọntunwọnsi nitorinaa agbo kọọkan tọju aijọju iwọn iwọn-kilasi kannaa Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe ni akoko pupọ.
Cross-Afọwọsi ni iwa
Nṣiṣẹ GridSearchCV tabi RandomizedSearchCV, eyiti o ṣeduro gbogbo apapọ hyperparameter lati mu awọn eto to dara julọ.
Nṣiṣẹ GridSearchCV tabi RandomizedSearchCV, eyiti o ṣe ifẹsẹmulẹ gbogbo apapọ hyperparameter lati mu awọn eto to dara julọ Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe lori akoko.
Cross-Afọwọsi ni iwa
Lilo awọn ọna-akoko (yiyi / jijọ-siwaju) ijẹrisi-agbelebu lati ṣe iṣiro ọja iṣura tabi asọtẹlẹ eletan laisi ikẹkọ lori data iwaju.
Lilo awọn akoko-jara (yiyi / fifẹ siwaju) ifẹsẹmulẹ-agbelebu lati ṣe iṣiro ọja iṣura tabi asọtẹlẹ eletan laisi ikẹkọ lori data iwaju Awọn ẹgbẹ nigbagbogbo gba awọn abajade to dara julọ nigbati wọn ṣalaye awọn ilodi didara ni iwaju, tọju ọna imudara eniyan fun awọn ọran eti, ati tọpa mejeeji awọn anfani iṣelọpọ ati awọn idiyele aṣiṣe lori akoko.
Awọn ewu & Awọn ọna iṣọ
Awọn ẹgbẹ oriṣiriṣi le lo ọrọ kanna ni oriṣiriṣi, nitorinaa ṣalaye iwọn ni kutukutu.
Awọn aṣepari le wo lagbara lakoko ti iṣẹ-aye gidi ko ṣe deede.
Aibikita didara data ati awọn ero igbelewọn nigbagbogbo ṣẹda awọn abajade ẹlẹgẹ.
Ilana Ilana imuse
Bẹrẹ pẹlu itumọ-ede itele ti abajade ti o nilo.
Bẹrẹ pẹlu itumọ-ede itele ti abajade ti o nilo. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Mu metiriki aṣeyọri kan ati ipo ikuna kan ṣaaju idanwo.
Mu metiriki aṣeyọri kan ati ipo ikuna kan ṣaaju idanwo. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Ṣiṣe awakọ kekere kan pẹlu data aṣoju, kii ṣe eto demo didan.
Ṣiṣe awakọ kekere kan pẹlu data aṣoju, kii ṣe eto demo didan. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.
Iwe-ipamọ nibiti Cross-Validation ṣe iranlọwọ ati nibiti awọn ọna ti o rọrun jẹ dara julọ.
Iwe-ipamọ nibiti Cross-Validation ṣe iranlọwọ ati nibiti awọn ọna ti o rọrun jẹ dara julọ. Ṣe itọju igbesẹ kọọkan bi ẹnu-ọna ẹri: ti awọn ibeere ko ba ni ibamu, daduro yiyọ kuro, pa aafo naa, ati lẹhinna faagun lilo.